预测湖相页岩油甜点区：机器学习推导的异常Tmax抑制与游离油富集地球化学见解

《Fuel》：Predicting lacustrine shale oil sweet spots: Machine-learning-derived geochemical insights into anomalous Tmax suppression and free oil enrichment

　　

摘要

在层理异质性强的湖相沉积体系中识别页岩油甜点区，需要具备沿井筒连续可获取的地球化学指标，并且这些指标能够与烃类生成、运移和滞留的地质过程相关联。在北部湾盆地富山凹陷始新统留沙港组中，明显的岩相非均质性以及岩心样品上岩石热解（Rock-Eval）测量的有限空间覆盖范围，限制了对富含游离油层段的精细划分。本文整合了61个样品的总有机碳（TOC）和Rock-Eval数据，并结合声波（AC）、自然电位（SP）、井径（CAL）、自然伽马（GR）和深电阻率（LLD）测井数据，利用集成人工神经网络（EANN）预测TOC、游离烃（S1）、烃类生成潜力（S2）和最大热解温度（Tmax）的连续剖面。在测试子集上，该模型对TOC、S1、S2和Tmax的决定系数（R2）分别为0.80、0.86、0.88和0.87。应用于一口独立盲井时，相同参数的R2值分别为0.89、0.91、0.87和0.85。在埋深跨度不到100 m的层段内，Tmax范围为444至460 °C。Tmax较低的层段对应更高的含油饱和度指数（OSI）和产油指数（PI）值（由预测参数计算得出）。这一关系与在烃源岩内短距离运移后滞留的石油特征一致，不太可能仅反映成熟度梯度。共识别出五个可能富含游离油的候选层段，其中层段I的平均OSI值最高，为41.87 mg HC/g TOC。通过将连续地球化学预测与滞留油特征相关联，本文工作流程将基于测井的预测拓展到单个参数的插值之外，为在层理异质性强且采样不充分的湖相页岩中筛选目标层段提供了实用基础。

引言

页岩油已成为全球非常规油气资源中具有战略重要性的组成部分，大陆湖相盆地越来越多地被确认为高产但地质条件复杂的勘探目标[1]、[2]。准确评价页岩油富集程度需要对烃源岩地球化学进行连续、高分辨率的表征，包括总有机碳（TOC）、游离烃（S1）、烃类生成潜力（S2）和最大热解温度（Tmax）[3]、[4]。与海相页岩相比，大陆湖相页岩面临特殊的表征挑战，因为受限的盆地几何形态可以增强烃类在烃源岩内的短距离运移，而沉积环境的快速横向和垂向变化、多样的矿物组合、复杂的孔隙体系以及变化的成岩覆印共同产生了从纹层尺度到层组尺度的地球化学变异[5]、[6]、[7]、[8]、[9]、[10]。因此，离散的岩心测量可能无法解析识别潜在油富集层段所需的垂向地球化学变化。

TOC和Rock-Eval参数的实验室测量为地球化学评价提供了基础，但其应用受到空间覆盖稀疏、分析成本高和垂向采样不连续的限制[11]、[12]、[13]。机器学习（ML）为弥补这一差距提供了一种有据可循的方法：通过学习常规获取的测井数据与岩心测得地球化学参数之间的非线性关系，数据驱动模型可以生成测井系列垂向分辨率级别的连续预测[12]、[13]、[14]、[15]、[16]、[17]、[18]。Passey等人的早期工作为从常规测井估算TOC建立了实用基础[19]。近年来，诸如XGBoost、卷积神经网络（CNN）和人工神经网络（ANN）等方法已将预测从TOC扩展到包括S1、S2和Tmax在内的地球化学参数[20]、[21]、[22]、[23]、[24]。然而，大多数先前的机器学习工作流程主要以统计精度来评估预测的地球化学参数，而它们对烃类生成、运移和滞留的地质意义仍缺乏充分的探讨[16]、[20]、[21]、[23]、[24]、[25]。因此，即使预测性能较高，每个重建参数的地球化学含义及其在以过程为基础上识别甜点区的价值仍缺乏充分的探讨。

富山凹陷始新统留沙港组体现了这些挑战，并为在高度异质的湖相地层中考察页岩油富集提供了有利的层段。该组形成于断层控制的湖相盆地中，显示出与物源供给、可容空间和沉积条件变化相关的显著垂向非均质性[23]、[24]。在这一异质地层中，烃类的生成、运移和聚集集中在富含有机质的薄层中，而稀疏的岩心采样无法可靠地解析这些薄层的位置和内部结构[6]。迄今为止，尚未建立该组的连续地球化学剖面，也尚未提出将预测参数与控制页岩油富集的生成、运移和滞留过程相关联的解译框架[15]、[16]。因此，留沙港组提供了一个机会，以回答上述提出的问题：即从测井数据导出的地球化学预测能否为页岩油甜点评价提供可靠依据。

为解决这一问题，我们开发了一个EANN，用于从留沙港组E2l2段的常规测井数据中预测TOC、S1、S2和Tmax。本研究有三个具体目标：(1) 评估EANN能否在岩相异质性强的湖相地层盲井应用中实现足够的预测精度；(2) 评估E2l2段中观测到的异常低Tmax值背后的地质机制，并判断Tmax抑制能否作为页岩油富集的可靠地球化学指标；(3) 检验在不增加额外岩心或实验室测量的情况下，预测参数能否支持在层理异质性强的湖相页岩地层中划出页岩油甜点区。

章节片段

地质背景

富山凹陷是北部湾盆地中重要的油气生成凹陷和产油区，位于盆地东南缘，发育为近北东向展布的中生代—新生代半地堑盆地[26]。凹陷内划分了四个构造带：南部斜坡带、中部构造带、北部断层阶梯带和北中央断层坳陷带。总体而言，该凹陷以东西向交替分布的沉积特征为特点。

在此公式中，xi表示归一化后的值，xmin表示样本数据集的最小值，xmax表示样本数据集的最大值。

在模型开发之前，数据集被随机划分为训练子集和测试子集。训练子集占数据的80%，用于开发EANN模型；测试子集占剩余20%，用于评估优化模型的泛化能力。在模型训练过程中，每个全连接层之后设置了批归一化层和LeakyReLU激活函数，并在隐藏层中加入了dropout层。

模型性能以决定系数（R2）和均方根误差（RMSE）作为主要评价指标（公式(3)和(4)）：

R2 = 1 - Σ(i=1到n)(To,i - P0,i)2 / Σ(i=1到n)(To,i - T?a)2

RMSE = √(1/n × Σ(i=1到n)(y^(i) - ?^(i))2)

预测性能

采用Pearson相关分析考察所选测井与目标地球化学参数之间的线性关系。该分析在模型训练之前提供了对每个输入测井预测相关性的初步评估。Pearson相关系数计算如下（公式(6)）：

CC = Σ((X - X?m)(Y - ?m)) / (√Σ(X - X?m)2 × √Σ(Y - ?m)2)

在此公式中，CC表示相关系数；x和Y代表两个变量；Xm和Ym分别表示X和Y的均值。

据此，在所选测井（包括AC、SP、CAL1、GR和LLD）与目标地球化学参数（包括TOC、S1、S2和Tmax）之间进行了Pearson相关分析。结果显示大多数测井与目标参数之间存在可测量的相关性（图5）。

预测的TOC、S1、S2和Tmax值通过线性相关分析与对应的实测值进行了比较。在测试子集中，TOC、S1、S2和Tmax的R2值分别为……

结论

在层理异质性强的湖相地层中识别页岩油甜点区，需要既沿井筒连续分布、又能从地质过程角度解释其意义的地球化学信息——即控制烃类生成、运移和滞留的地质过程。以往基于测井的预测研究主要强调统计精度，而对重建的Rock-Eval参数的地质意义缺乏充分的探讨。本研究弥补了这一空白……

作者贡献声明（CRediT）

高远明：写作—审阅与编辑，写作—初稿，软件，资源，项目管理，方法论，调查研究，数据整理。梁超：写作—审阅与编辑，项目管理，资金获取，数据整理。曹永昌：写作—审阅与编辑，指导，数据整理。韩钰：方法论，形式化分析，数据整理。吉士超：方法论，调查研究。江飞：写作—审阅与编辑，软件，资源。郁卓达：写作

生成式AI及AI辅助技术在写作过程中的声明

在准备本文的过程中，作者使用了ChatGPT辅助进行语言润色、语法检查和提高部分手稿的可读性。在使用该工具后，作者对所有AI辅助文本进行了仔细的审阅、编辑和核实，并对发表文章的内容承担全部责任。

利益冲突声明

作者声明不存在任何已知的可能影响本文工作报告的竞争性经济利益或个人关系。

致谢

本研究得到国家自然科学基金（编号：42488101）的资助。我们衷心感谢副主编Berna Hascakir、Boryaev A. A.以及两位匿名审稿人提供的宝贵意见和建议。

高远明 | 梁超 | 曹永昌 | 韩钰 | 吉士超 | 江飞 | 郁卓达 | 韩心宇

中国油气深部探测重点实验室，中国石油大学（华东），山东青岛 266580，中国